申请/专利权人:合肥工业大学
申请日:2021-12-31
公开(公告)日:2024-05-07
公开(公告)号:CN114297940B
主分类号:G06F30/27
分类号:G06F30/27;G06F17/13;G06N3/0464;G06N3/08;G06F111/04;G06F111/10
优先权:
专利状态码:有效-授权
法律状态:2024.05.07#授权;2022.04.26#实质审查的生效;2022.04.08#公开
摘要:本申请公开一种确定非稳态储层参数的方法及装置。该方法包括:获得待解释点的目标储层参数在第一时刻的参数值,其中,目标储层参数的参数值随时间变化的规律能够以目标储层参数相对于关联参数的偏微分方程表示;将目标储层参数在第一时刻的参数值输入完成训练的卷积神经网络,得到待解释点的目标储层参数在第二时刻的参数值。其中,卷积神经网络采用分步近似的方案,对于偏微分方程中的高阶微分算子,是利用多个卷积核进行模拟,这使得卷积神经网络的表达能力更强,能够表达更加复杂的偏微分方程,能够大幅度地提高非稳态储层参数的解释精度。
主权项:1.一种确定非稳态储层参数的方法,其特征在于,包括:获得待解释点的目标储层参数在第一时刻的参数值,其中,所述目标储层参数的参数值随时间变化的规律能够以所述目标储层参数相对于关联参数的偏微分方程表示;将所述目标储层参数在第一时刻的参数值输入完成训练的卷积神经网络,得到所述卷积神经网络输出的所述待解释点的目标储层参数在第二时刻的参数值;其中,所述卷积神经网络包括M个卷积层和1个全连接层,M的值为所述偏微分方程的阶数,第1个卷积层的输入为所述目标储层参数在所述第一时刻的参数值,第i个卷积层的输出作为第i+1个卷积层的输入,i=1,2,…M-1,第i个卷积层包括Ni个卷积核,N为所述关联参数的数量加1,所述第1个卷积层的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导,第i个卷积层中的每个卷积核与第i+1个卷积层中的N个卷积核相连,并且,第i+1个卷积层中的每个卷积核只与第i个卷积层中的一个卷积核相连,第i+1个卷积层中与第i个卷积层中同一个卷积核相连的N个卷积核分别用于计算输入的0阶偏导、以及计算输入相对于各个关联参数的一阶偏导;所述全连接层对第M个卷积层的输出进行运算,得到所述目标储层参数在单位时间内的变化量;根据所述变化量和所述第1个卷积层的输入,得到所述目标储层参数在第二时刻的参数值;其中,所述卷积神经网络的训练过程,包括:获得多个训练样本,所述训练样本包括所述储层内的采样点的目标储层参数在第一时间点的参数值,所述训练样本具有标签,所述标签包括所述采样点的目标储层参数在第一时间点之后的第二时间点的参数值;利用预先构建的卷积神经网络对所述训练样本进行预测,得到预测结果,所述预测结果包括采样点的目标储层参数在第一时间点之后的第二时间点的预测参数值;根据所述训练样本的标签和预测结果之间的误差,调整所述卷积神经网络的参数,直至调整后的卷积神经网络满足预设的收敛条件。
全文数据:
权利要求:
百度查询: 合肥工业大学 确定非稳态储层参数的方法及装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。